PP-YOLOE

发表于 更新于 分类于 ， ， ， 阅读次数： 本文字数： 835 阅读时长 ≈ 1 分钟

基于 YOLOv 5 提出的更适合工业场景的目标检测模型，主要改进是使用 anchor-free，使用类别、定位一致的检测头

什么是 PP-YOLOE ？

  • Paddle 开发的 anchor-free 的多头单框目标检测模型，改进使用更高效的 BackBone，去除 anchor-base，使用类别及定位更加一致的检测头，以及提出任务对齐模型的标签匹配策略，最终模型相比较 YOLOv 5，更适合工业场景

PP-YOLOE 的网络结构？

  • CSPRepResNet：在 CSPResNet 的基础上，增加 “重参数化” 技巧，训练和推理使用不同的网络结构
  • ESE block：高效的检测头，使用注意力机制，缓解回归和分类问题的 Gap

PP-YOLOE 的 RepResBlock 与 CSPRepResStage？

  • 在 TreeBlock 的基础上改进得到 RepResBlock，并且通过重参数化技巧，在推理时重构网络结构

相比较 PP-YOLOv 2 ，PP-YOLOE 的改进？

  • 改为 Anchor-free：mAP 下降，参数变少
  • 主干网络改为 RepResBlock：准确度更高，效率更高
  • 任务对齐标签分配策略 TAL：准确度更高
  • 高效检测头 ET-Head：准确度提升

PP-YOLOE 的任务对齐标签匹配策略？

  • 使用任务对齐匹配策略后，其 AP 值更高

PP-YOLOE 的损失函数？

  • LossVFLLoss_{VFL}：VFL 使用 IACS (IoU-aware classification score) 作为 target，使得模型可以学习到 classification score 和 IoU score 的联合分布
  • LossDFL、LossGIoULoss_{DFL}、Loss_{GIoU}：采用 DFL (Distribution Focal Loss) 来监督积分模块的学习，和 GIoU Loss 相结合共同监督回归任务的学习
  • t^\hat t：归一化 target 分数
  • α、β、γ\alpha、\beta、\gamma：3 个超参